Circuitos superficiales inducidos por ruido y la ausencia de llanuras estériles

Por qué siguen importando los chips cuánticos ruidosos

Los ordenadores cuánticos prometen resolver ciertos problemas mucho más rápido que las máquinas convencionales, pero los dispositivos actuales son frágiles y ruidosos. Este trabajo plantea una pregunta sencilla con grandes consecuencias prácticas: ¿qué pueden hacer en realidad los chips cuánticos imperfectos y realistas antes de que llegue la corrección de errores completa? Analizando cómo el ruido remodela el comportamiento de circuitos cuánticos típicos, los autores muestran que muchos algoritmos ambiciosos a corto plazo colapsan silenciosamente hasta el poder de circuitos mucho más superficiales, que a menudo pueden ser imitados por un ordenador clásico.

Circuitos profundos que se comportan como superficiales

Los algoritmos cuánticos modernos suelen depender de ejecutar circuitos muy profundos, apilando capa sobre capa de puertas cuánticas sobre muchos qubits. En teoría, más capas permiten un comportamiento cuántico más complejo. Pero en cuanto cada qubit queda expuesto a ruido local realista, la mayoría de esas capas dejan de importar efectivamente para las cantidades que los físicos y diseñadores de algoritmos suelen examinar: valores esperados de observables, como energías medias o magnetizaciones. Los autores prueban que, para circuitos aleatorios típicos, la influencia de cualquier puerta sobre dichos valores esperados decrece exponencialmente cuanto más lejos esté de la capa final. En la práctica, sólo aproximadamente un número de capas que crece logarítmicamente con el tamaño del sistema sigue contribuyendo de forma significativa.

Ruido que evita paisajes de entrenamiento planos

Los algoritmos cuánticos variacionales y los métodos de aprendizaje automático cuántico se entrenan ajustando muchos parámetros de puertas para minimizar una función de coste construida a partir de promedios de observables. Una preocupación importante es la aparición de llanuras estériles, donde el paisaje de coste se vuelve casi perfectamente plano y los gradientes prácticamente desaparecen, haciendo imposible el entrenamiento. Estudios anteriores mostraron que ciertos tipos de ruido “balanceado” pueden desencadenar esas llanuras. Aquí, los autores consideran en cambio un ruido más realista “no balanceado” que tiende a impulsar los qubits hacia estados particulares. Bajo este tipo de ruido encuentran que, para funciones de coste formadas por observables locales, el paisaje no se aplana: la dispersión de los valores de coste se mantiene considerable y los gradientes conservan un tamaño razonable, sin importar cuán profundo sea el circuito.

Pero sólo las últimas capas son realmente entrenables

Esta ausencia de llanuras estériles podría parecer una buena noticia para el aprendizaje cuántico, pero hay una vuelta de tuerca. El mismo ruido que mantiene vivos los gradientes también hace que casi todos sean irrelevantes. Los autores muestran que los parámetros ubicados en el interior profundo del circuito tienen un efecto nulo sobre los observables locales; la información útil del gradiente reside casi exclusivamente en las últimas capas, cuyo número vuelve a crecer sólo logarítmicamente con el tamaño del sistema. En otras palabras, un circuito variacional muy profundo y ruidoso se comporta, a efectos de entrenamiento, como uno mucho más superficial: la mayoría de sus puertas ajustables quedan efectivamente congeladas por el ruido.

Los ordenadores clásicos mantienen el ritmo más fácilmente

Una vez que los circuitos ruidosos y profundos actúan como superficiales, se vuelven mucho más fáciles de imitar con algoritmos clásicos. Los autores usan su imagen de profundidad efectiva para diseñar procedimientos clásicos que estiman los mismos promedios de observables con una precisión objetivo fija, con alta probabilidad de éxito, para casi cualquier arquitectura de circuito. Al centrarse en la región de influencia de los observables locales y explotar cómo el ruido suprime patrones complejos de múltiples qubits, muestran que los tiempos de ejecución clásicos pueden seguir siendo eficientes incluso cuando los circuitos cuánticos subyacentes son extremadamente profundos. Para muchas metas prácticas de precisión esto se cumple en una amplia gama de arquitecturas, desde cadenas unidimensionales hasta disposiciones totalmente conectadas.

Qué significa esto para la ventaja cuántica a corto plazo

Para tareas basadas en estimar valores esperados, como muchos algoritmos variacionales propuestos y esquemas de aprendizaje automático cuántico, estos resultados pintan un panorama sobrio. En situaciones típicas, los circuitos cuánticos ruidosos con ruido realista, posiblemente no balanceado, no ofrecen un poder sustancialmente mayor que circuitos superficiales cuidadosamente elegidos que los ordenadores clásicos a menudo pueden manejar. Aunque diseños de circuito especialmente ingenierizados pueden todavía hacer un uso inteligente del ruido para ir más allá de este límite, tales casos son la excepción y no la regla. Para el dispositivo ruidoso medio, el propio ruido comprime los cálculos cuánticos en una forma superficial y abordable clásicamente.

Cita: Mele, A.A., Angrisani, A., Ghosh, S. et al. Noise-induced shallow circuits and the absence of barren plateaus. Nat. Phys. 22, 751–756 (2026). https://doi.org/10.1038/s41567-026-03245-z

Palabras clave: ruido cuántico, circuitos cuánticos ruidosos, algoritmos cuánticos variacionales, simulación clásica, llanuras estériles